权重随机采样（WeightedRandomSampler）在python中的应用

权重随机采样（WeightedRandomSampler）是在样本不均衡的情况下，通过对样本的权重进行采样，来使得采样出的样本更加平衡的一种方法。在python中，可以通过torch.utils.data中的WeightedRandomSampler类来实现权重随机采样。

下面是一个使用权重随机采样的示例代码：

import torch
from torch.utils.data import WeightedRandomSampler

# 假设我们有一个有20个样本的数据集，其中正样本有10个，负样本有10个
# 我们可以定义一个权重列表，表示每个样本的权重
weights = [1.0] * 10 + [2.0] * 10

# 创建一个WeightedRandomSampler对象，传入权重列表和需要采样的样本数量
sampler = WeightedRandomSampler(weights, num_samples=5, replacement=True)

# 创建一个数据集
dataset = torch.arange(20)

# 创建一个数据加载器，传入数据集和采样器
dataloader = torch.utils.data.DataLoader(dataset, batch_size=1, sampler=sampler)

# 遍历数据加载器，查看采样结果
for data in dataloader:
    print(data)

在以上示例中，我们首先定义了一个包含10个正样本和10个负样本的数据集。然后，我们通过定义一个权重列表，将正样本的权重设置为1.0，负样本的权重设置为2.0。接下来，我们创建了一个WeightedRandomSampler对象，传入权重列表和需要采样的样本数量，这里我们设置需要采样5个样本，并允许有重复采样（replacement=True）。

然后，我们创建了一个数据集，其中包含从0到19的整数。最后，我们创建了一个数据加载器，传入数据集和采样器。通过遍历数据加载器，我们可以查看采样结果，从而观察到采样出的样本更加均衡。